dulingwen的博客

由于我现在主要关注计算机视觉中的图像处理、slam、深度学习目标检测这些领域，所以通常会看一些微信公众号里的小文章，一般我觉得比较好的就在这里分类收集一下。一、图像处理十个python图像处理工具OpenCV实现失焦模糊图像恢复全局对比度的图像显著性检测算法使用Python+OpenCV进行图像处理（三）| 视觉入门干货 | 史上最全 OpenCV 活体检测教...

局部立体匹配一、什么是局部匹配算法？优势如何？   局部(Local)立体匹配是相对于半全局以及全局(Non-Local)立体匹配算法而言的，它不构建能量函数，而是利用某种代价函数(或称做相似性度量)，仅仅通过比较左右视图中相同大小的图像块来确定视差，它的基本流程一般为代价计算、代价聚合、视差计算、视差细化。虽然非局部立体匹配算法在性能上可能优于局部算法，但是它们也有很多难点，并非是所有情况下的最好选择，例如：   全局算法或半全局算法由于需要相当多的计算量，因此运算耗时可能很长，特别是对于高分辨率的

1.KITTI2.TartanAirhttp://theairlab.org/tartanair-dataset

最近使用OpenCV的函数保存图像，发现这里面存在诸多的坑，经过多次尝试，这才发现原来保存图像也是一门学问哦！之前已经写过一篇图像读写的博客：[opencv读写图像问题！](https://blog.youkuaiyun.com/dulingwen/article/details/101759084)，这里再写一篇作为补充。一、类型转换1.Mat数据的类型opencv中的mat数据类型共包含28种：类型C1C2C3C4CV_8U081624CV_8S191...

基于Patch Match的立体匹配算法

立体匹配旨在为校正后的左右视图提供稠密的匹配对，这种问题称为"stereo correspondence problem"。有大量的算法用于求解立体匹配问题，根据Scharstein和 Szeliski的研究，所有这些算法的计算流程基本上都可以分为四个步骤：A.匹配代价计算；B.代价聚合；C.视差计算/优化；D.视差细化。其中匹配代价用来度量像素或者像素块之间的相似性，计算匹配代价的方法有AD、SAD、BT、NCC、Census-Hamming、HMI、Daisy以及基于深度学习方法的匹配代价等等。

一、下载CMake和OpenCV库1.CMake下载地址：https://cmake.org/download/，下载windows版本即可2.下载opencv及opencv-contrib库：  https://github.com/opencv/opencv/releases/tag/4.2.0.  https://github.com/opencv/opencv_contrib/re...

efficient large scale stereo matching

In this tutorial we will first show a simple way topseudocolor/false colora grayscale image using OpenCV’s predefined colormaps. We will also show a way to define acustom colormap if you would ...

MiddleBurry Stereo Evaluation主页：http://vision.middlebury.edu/stereo/eval3/Robust Vision Challenge：http://robustvision.net/leaderboard.php（2018年已经停止更新了）

一、OpenCV中支持读取的图像格式：1. Windows bitmaps \*.bmp, \*.dib2. JPEG files \*.jpeg, \*.jpg, \*.jpe3. JPEG 2000 files \*.jp24. Portable Network Graphics \*.png5. WebP ...

一、双目测距基本流程 双目测距属于双目SLAM的一个应用领域。 关于双目测距的基本原理，其实并不复杂，但说起来内容也不少，其核心原理就是三角测量，三角测量在土地测量、天文测量等领域都得到了广泛应用，是一种很好的测距方法。为了对双目测距的内容有一个很好的认识大家可以先看一下这个博客，讲的挺的不错的：https://blog.youkuaiyun.com/piaoxuezhong/article......

基于matlab的双目相机标定

一、connectedComponentsWithStats（）函数：def connectedComponentsWithStats(image, labels=None, stats=None, centroids=None, connectivity=None, ltype=None): # real signature unknown; restored from __doc__ ...

卷积神经网络（CNN）是一种目前计算机视觉领域广泛使用的深度学习网络，与传统的人工神经网络结构不同，它包含有非常特殊的卷积层和降采样层（有些文章和书籍里又称之为池化层、汇合层），其中卷积层和前一层采用局部连接和权值共享的方式进行连接，从而大大降低了参数数量。降采样层可以大幅降低输入维度，从而降低网络复杂度，使网络具有更高的鲁棒性，同时能够有效的防止过拟合。由于以上设计，卷积网络主要用...

深度学习中经常需要训练无标记的负样本，用于降低目标检测中的误检率、误识别率。生成负样本xml文件的一个方法是用labelImg在图像上随便画一个框，生成xml文件，然后手动去除相关的object节点，但是负样本太多的话，这种方法太耗时间，所以我写了一个脚本可以批量生成空的xml文件。此外本博客还包含了如何批量修改图像尺寸、文件名称、xml文件内容，这些也经常用到，代码如下，大家可以适...

一、焦距1.焦距概念 焦距是光学系统中衡量光线聚集或发散的度量方式。平行的光线进入对焦在无穷远的镜头后，它们汇聚到一点，这个点叫做焦点。简单来说，焦距长度是指从透镜的光心到焦点的距离。为了能够对焦到比无限远近一些的被摄体上，镜头要调节至距焦平面更远的位置。这就是很多镜头在转动对焦环时镜头长度会增大的原因。2.镜头按焦距大小的分类 摄影镜头数量庞大,从鱼眼镜...

参考博客：1.根据两点的经纬度求方位角和距离2.根据两点的经纬度求方位角和距离3.GPS轨迹拟合（根据经纬度计算距离和方向角）4.根据坐标点位置计算方位角（python实现）5.计算两个GPS坐标的方位与距离6.GPS速度和航向计算7.单目视觉定位测距的两种方式8.一种基于单目视觉的车辆测距与碰撞预警方法9.基于数据回归建模的单目视觉测距算法10.用于目标测...

Ubuntu下安装opencv真心不容易，原因在于很多人在ubuntu下一般都安装了anaconda！下面是总结的安装opencv并运行一个小程序的示例过程！如有错误，请读者指出！一、下载opencv网址：https://github.com/opencv可以进入github下载，也可使用如下命令下载：git clone https://github.com/Its...

一、引言 天空区域作为图像中的背景信息，为机器人导航、自动驾驶等领域的图像理解提供了重要依据，因此如何检测图像中的天空区域非常重要，本文提供了一个基于传统视觉算法（非机器学习方法）的提取天空区域的方法，参考文献：https://journals.sagepub.com/doi/pdf/10.5772/56884二、算法思路1.使用sobel算子为图像提取梯度信息图，从梯度信...

1.双目匹配(双RGB摄像头+可选的照明系统) 三角测量原理即目标点在左右两幅视图中成像的横坐标之间存在的差异(视差Disparity),与目标点到成像平面的距离成反比例的关系:Z = ft/d;得到深度信息。双目匹配采用三角测量原理完全基于图像处理技术，通过寻找两个图像中的相同的特征点得到匹点，从而得到深度值。双目测距中光源是环境光或者白光这种没有经过编码的光源，图像识别...

这节博客介绍一下计算机视觉中的几何问题之一：相机模型和坐标转换，希望对各位读者有所帮助！1.针孔相机模型——几何建模 数码相机，手机镜头可以简单看作是一组透镜和图像传感器构成的整个光学成像系统。透镜用于约束进入的光线，而传感器则用于对光进行感受、采样和量化。相机模型是对光学成像系统的简化，目前相机模型有线性模型和非线性模型两种。实际的成像系统是透镜成像的非线性模型...

1.基本矩阵、本质矩阵和单应矩阵2.OpenCV实现SfM（一）：相机模型3.OpenCV实现SfM（二）：双目三维重建4.OpenCV实现SfM（三）：多目三维重建5.OpenCV实现SfM（四）：Bundle Adjustment6.对极几何——本质矩阵E和基础矩阵F7.由基本矩阵、本质矩阵恢复摄像机矩阵——Structure from motion8.sfm流程概...

COCO数据集是目前最流行的目标检测比赛用的数据集，且时下几乎所有在各大深度学习框架下实现的目标检测网络的预训练模型都有基于COCO数据集训练出来的。接下来简要介绍一下COCO比赛排行榜中所用的指标，截图如下：指标介绍AveragePrecision(AP)：AveragePrecision(AP):      % AP at IoU=0.50:0.05...